Harmonogram společnosti Gartner je jako přehlídka haute couture pro odborníky v oblasti techniky. Jeho pohledem můžete předem zjistit, která slova jsou v této sezóně nejvíce medializovaná a co uslyšíte na všech nadcházejících konferencích.

Rozluštili jsme, co se skrývá za krásnými slovy v tomto grafu, takže jazykem můžete mluvit i vy.

Na začátek jen pár slov, co je to za graf. Každý rok v srpnu vydává poradenská agentura Gartner zprávu – Gartner Hype Curve. V ruštině je to „křivka humbuku“ nebo jednodušeji humbuk. Před 30 lety rappeři ze skupiny Public Enemy zpívali: "Don't believe the hype." Věřte nebo ne, je to na vás, ale vyplatí se znát alespoň tato klíčová slova, pokud se pohybujete v technice a chcete znát světové trendy.

Toto je graf očekávání veřejnosti od konkrétní technologie. Podle společnosti Gartner prochází technologie v ideálním případě 5 po sobě jdoucími fázemi: spuštění technologie, vrchol vysokých očekávání, údolí zklamání, svah osvícení, plošina produktivity. Stává se však také, že se ponoří do „údolí zklamání“ - příklady si můžete velmi snadno zapamatovat sami, vezměte si stejné bitcoiny: zpočátku dosáhly vrcholu jako „peníze budoucnosti“, rychle se svezly dolů, když se objevily nedostatky technologie se staly zřejmými, především omezení počtu transakcí a šíleného množství elektřiny potřebné k výrobě bitcoinů (což již s sebou nese ekologické problémy). A samozřejmě nesmíme zapomenout, že graf Gartner je jen předpověď: zde si například můžete přečíst podrobný Článek, kde jsou vytříděny nejmarkantnější nenaplněné předpovědi.

Pojďme se tedy podívat na nový graf Gartner. Technologie jsou rozděleny do 5 velkých tematických skupin:

1. Advanced AI and Analytics (Advanced AI and Analytics)
2. Postklasické výpočty a komunikace
3. Smysly a pohyblivost (snímání a pohyblivost)
4. Rozšířený člověk
5. Digitální ekosystémy

1. Advanced AI and Analytics (Advanced AI and Analytics)

Za posledních 10 let jsme byli svědky vrcholu hlubokého učení (Deep Learning). Tyto sítě jsou skutečně efektivní pro svůj rozsah úkolů. V roce 2018 získali Jan LeCun, Geoffrey Hinton a Joshua Bengio Turingovu cenu za objevy v nich – nejprestižnější ocenění, obdobné Nobelově ceně za informatiku. Takže hlavní trendy v této oblasti, které jsou zakresleny v grafu:

1.1. Přenos učení

Neuronovou síť netrénujete od začátku, ale vezmete již natrénovanou a určíte jí jiný cíl. Někdy to vyžaduje přeškolení části sítě, ale ne celé sítě, což je mnohem rychlejší. Například pomocí hotové neuronové sítě ResNet50 natrénované na datové sadě ImageNet1000 získáte algoritmus, který dokáže klasifikovat mnoho různých objektů z obrázku na velmi hluboké úrovni (1000 tříd založených na vlastnostech generovaných 50 vrstvami nervová síť). Nemusíte ale trénovat celou síť, což by trvalo měsíce.

В online kurz Samsung „Neurální sítě a počítačové vidění“ například ve finále Kaggle úkol s klasifikací desek na čisté a špinavé je demonstrován přístup, který vám za 5 minut poskytne hlubokou neuronovou síť, která dokáže rozlišit špinavé desky od čistých, postavenou podle výše uvedené architektury. Původní síť vůbec nevěděla, co jsou desky, naučila se pouze rozlišovat ptáky od psů (viz ImageNet).

Zdroj: online kurz Samsung "Neuronové sítě a počítačové vidění"

Pro Transfer Learning potřebujete vědět, jaké přístupy fungují, jaké jsou hotové základní architektury. Obecně to značně urychluje vznik praktických aplikací strojového učení.

1.2. Generative Adversarial Networks (GAN)

To pro ty případy, kdy je pro nás velmi těžké formulovat cíl tréninku. Čím více se úkol blíží reálnému životu, tím je pro nás jasnější („přineste noční stolek“), ale o to obtížnější je formulovat jej jako technický úkol. GAN je jen pokus nás od tohoto problému zachránit.

Fungují zde dvě sítě: jedna je generátor (Generative), druhá je diskriminátor (Adversarial). Jedna síť se učí dělat užitečnou práci (klasifikovat obrázky, rozpoznávat zvuky, kreslit karikatury). A druhá síť se učí tuto síť učit: má reálné příklady a učí se nacházet dříve neznámý složitý vzorec pro porovnávání generací generativní části sítě s objekty reálného světa (tréninková množina) podle skutečně důležitých hluboké rysy: počet očí, blízkost Miyazaki stylu, správná výslovnost angličtiny.

Příklad výsledku sítě pro generování anime postav. Zdroj

Ale tam je samozřejmě těžké postavit architekturu. Nestačí jen házet neurony, je třeba je uvařit. A učení trvá týdny. Téma GAN studují moji kolegové v Samsung AI Center a je to jedna z jejich klíčových výzkumných otázek. Například takto vývoj: Použití generativních sítí k syntéze realistických fotografií lidí s proměnlivým držením těla – například k vytvoření virtuální montážní místnosti nebo k syntéze obličeje, která může snížit množství informací, které je třeba ukládat nebo přenášet, aby bylo zajištěno vysoce kvalitní video komunikace, vysílání nebo ochrana osobních údajů.

Zdroj

1.3. Vysvětlitelná AI

V některých vzácných úkolech pokroky v hlubokých architekturách náhle přiblížily schopnosti hlubokých neuronových sítí schopnostem lidí. Nyní probíhá bitva o rozšíření rozsahu takových úkolů. Robotický vysavač by například při čelním střetnutí snadno rozeznal kočku od psa. Ale ve většině životních situací nebude schopen najít kočku spící mezi prádlem nebo nábytkem (nicméně jako my ve většině případů...).

Co je důvodem úspěchu hlubokých neuronových sítí? Vyvíjejí reprezentaci úlohy založenou nikoli na informacích „viditelných pouhým okem“ (fotografické pixely, skoky hlasitosti zvuku…), ale na vlastnostech získaných po předzpracování těchto informací několika stovkami vrstev neuronové sítě. Bohužel tyto vztahy mohou být také nesmyslné, nekonzistentní nebo mohou nést stopy nedokonalostí v původním souboru dat. Existuje například malá počítačová hra o tom, k čemu může vést bezmyšlenkovité používání AI při náboru. Přežití nejlepších.

Systém pro označování obrázků nazývá osoba, která vaří žena, ačkoli na obrázku je ve skutečnosti muž (Zdroj). Tento všiml ve Virginia Institute.

K analýze složitých a hlubokých vztahů, které často sami nedokážeme formulovat, jsou zapotřebí metody vysvětlitelné umělé inteligence. Organizují vlastnosti hlubokých neuronových sítí tak, abychom po proškolení mohli analyzovat vnitřní reprezentaci naučenou sítí a nespoléhat se pouze na její řešení.

1.4. Edge Analytics / AI (Edge Analytics / AI)

Vše, kde je slovo Edge, znamená doslova následující: přenos části algoritmů z cloudu/serveru na úroveň koncového zařízení/brány. Takový algoritmus bude pracovat rychleji a nebude muset být připojen k centrálnímu serveru, aby fungoval. Pokud jste obeznámeni s abstrakcí „tenkého klienta“, tak zde tohoto klienta trochu zahustíme.
To může být důležité pro internet věcí. Pokud je například stroj přehřátý a potřebuje zchladit, má smysl to signalizovat okamžitě, na úrovni závodu, bez čekání, až se data dostanou do cloudu a odtud ke směnovému mistrovi. Nebo jiný příklad: samořídící auta se dokážou vypořádat s dopravními podmínkami sama, aniž by kontaktovali centrální server.

Zdroj

Nebo další příklad, proč je to důležité z hlediska zabezpečení: když na telefonu píšete texty, pamatuje si pro vás typická slova, takže vám je klávesnice telefonu později pohodlně navrhne – tomu se říká prediktivní zadávání textu. Posílat vše, co píšete na klávesnici někam do datového centra, by bylo porušením vašeho soukromí a jednoduše nebezpečné. K učení klávesnice tedy dochází pouze v rámci samotného vašeho zařízení.

1.5. Platforma AI jako služba (AI PaaS)

PaaS – Platform-as-a-Service je obchodní model, kde získáváme přístup k integrované platformě, včetně jejího cloudového úložiště a předpřipravených postupů. Můžeme se tak osvobodit od infrastrukturních úkolů a plně se soustředit na výrobu něčeho užitečného. Příklad platforem PaaS pro úlohy AI: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Adaptivní strojové učení (Adaptivní ML)

Co kdybychom nechali umělou inteligenci přizpůsobit se... ptáte se – tedy jak?... Nepřizpůsobuje se již úkolu? Problém je tento: každý takový úkol pečlivě navrhujeme, než vytvoříme algoritmus umělé inteligence, který jej vyřeší. Odpoví vám – ukazuje se, že tento řetězec lze zjednodušit.

Konvenční strojové učení funguje na principu otevřeného systému (open-loop): připravíte data, vymyslíte neuronovou síť (nebo cokoli jiného), trénujete, pak se podíváte na několik indikátorů, a pokud se vám vše líbí, můžete neuronovou síť poslat do chytrých telefonů k řešení uživatelských problémů. Ale v aplikacích, kde je dat hodně a jejich povaha se postupně mění, jsou potřeba jiné metody. Takové systémy, které se přizpůsobují a vzdělávají, jsou organizovány do uzavřených, samoučících se okruhů (uzavřená smyčka) a musí fungovat bez přerušení.

Aplikace – to může být streamingová analytika (Stream Analytics), na základě které se rozhoduje mnoho obchodníků, nebo adaptivní řízení výroby. V měřítku moderních aplikací a vzhledem k lépe pochopeným rizikům pro lidi, metodám, které představují řešení tohoto problému, jsou všechny tyto metody shromážděny pod obecným názvem Adaptivní AI.

Zdroj

Při pohledu na tento obrázek je těžké se zbavit pocitu, že futuristy nekrmíte chlebem – nechte je naučit robota dýchat…

Postklasické výpočty a komunikace

2.1. Mobilní komunikace páté generace (5G)

Toto je tak zajímavé téma, že se okamžitě odvoláváme na naše článek. No, tady je krátké shrnutí. 5G zvýšením frekvence přenosu dat způsobí, že rychlost internetu bude nerealisticky rychlá. Pro krátké vlny je obtížnější procházet překážkami, takže návrh sítí bude zcela odlišný: základnové stanice potřebují 500krát více.

Spolu s rychlostí dostaneme nové fenomény: hry v reálném čase s rozšířenou realitou, provádění složitých úkolů (např. operace) prostřednictvím teleprezence, předcházení nehodám a obtížným situacím na silnicích prostřednictvím komunikace mezi auty. Z toho prozaičtějšího: mobilní internet konečně přestane padat při hromadných akcích, jako je zápas na stadionu.

Zdroj obrázků: Reuters, Niantic

2.2. Paměť nové generace

Zde se bavíme o páté generaci RAM – DDR5. Samsung oznámil, že do konce roku 2019 budou k dispozici produkty založené na DDR5. Očekává se, že nová paměť bude dvakrát rychlejší a dvakrát větší při zachování tvarového faktoru, to znamená, že pro náš počítač budeme moci získat paměťové karty s kapacitou až 32 GB. V budoucnu to bude platit zejména pro smartphony (nová paměť bude v nízkopříkonové verzi) a notebooky (kde je omezený počet DIMM slotů). A strojové učení vyžaduje velké množství paměti RAM.

2.3. Satelitní systémy na nízké oběžné dráze Země

Myšlenka nahradit těžké, drahé a výkonné satelity rojem malých a levných není zdaleka nová a objevila se již v 90. O čem „Elon Musk bude brzy distribuovat internet ze satelitu všem“ teď jen líní neslyšeli. Zde je nejznámější společností Iridium, která zkrachovala na konci 90. let, ale byla zachráněna na náklady amerického ministerstva obrany (neplést s iRidium, ruským systémem chytré domácnosti). Projekt Elona Muska (Starlink) není zdaleka jediný - závodu satelitů se účastní Richard Branson (OneWeb - 1440 odhadovaných satelitů), Boeing (3000 satelitů), Samsung (4600 satelitů) a další.

Jak se věci v této oblasti mají, jak tam vypadá ekonomika – čtěte dále přezkoumání. A čekáme na první testy těchto systémů prvními uživateli, které by měly proběhnout v příštím roce.

2.4. 3D tisk v nanoměřítku (Nanoscale 3D Printing)

3D tisk, i když nevstoupil do života každého člověka (v podobě slibované individuální domácí továrnou na plasty), nicméně již dávno opustil výklenek technologií pro geeky. Můžete soudit podle toho, že o existenci alespoň 3D sochařských per ví každý školák a mnozí sní o tom, že si pořídí krabici s ližinami a extruderem na ... "jen tak" (nebo si ji už zakoupili).

Stereolitografie (3D laserové tiskárny) umožňuje tisk s jednotlivými fotony: zkoumají se nové polymery, kterým stačí dva fotony ke ztuhnutí. To umožní v nelaboratorních podmínkách vytvářet zcela nové filtry, úchyty, pružiny, kapiláry, čočky a ... vaše možnosti v komentářích! A zde není daleko k fotopolymerizaci – pouze tato technologie umožňuje „tisknout“ procesory a výpočetní obvody. Navíc tam není první rok technologie pro tisk grafenových 500nm trojrozměrných struktur, ale bez radikálního vývoje.

Zdroj

3. Smysly a pohyblivost (snímání a pohyblivost)

3.1. Úroveň autonomního řízení 4 a 5

Aby nedošlo k záměně v terminologii, stojí za to pochopit, jaké úrovně autonomie se rozlišují (převzato z podrobného článkyna které odkazujeme všechny zájemce):

Úroveň 1: Tempomat: pomáhá řidiči ve velmi omezených situacích (například udržování vozu na nastavené rychlosti poté, co řidič sundal nohu z pedálu)
Úroveň 2: Omezená podpora řízení a brzdění. Řidič musí být připraven převzít řízení téměř okamžitě. Jeho ruce jsou na volantu, jeho oči jsou na silnici. To už mají Tesla a General Motors.
Úroveň 3: Řidič již nemusí neustále hlídat vozovku. Ale musí zůstat ve střehu a připravený převzít kontrolu. To je něco, co komerčně dostupné vozy zatím nemají. Všechny aktuálně existující jsou na úrovni 1-2.
Úroveň 4: Skutečný autopilot, ale s omezeními: pouze výlety ve známé oblasti, která je pečlivě zmapovaná a systému obecně známá, a za určitých podmínek: například žádný sníh. Waymo a General Motors takové prototypy mají a plánují je spustit v několika městech a otestovat je v reálném prostředí. Yandex má testovací zóny bezpilotního taxi ve Skolkovo a Innopolis: cesta probíhá pod dohledem inženýra sedícího na sedadle spolujezdce; do konce roku plánuje společnost rozšířit svůj vozový park na 100 bezpilotních vozidel.
Úroveň 5: Plně automatické řízení, plná náhrada živého řidiče. Takové systémy neexistují a je nepravděpodobné, že by se v příštích letech objevily.

Jak reálné je to všechno vidět v dohledné době? Zde bych chtěl čtenáře přesměrovat na článek „Proč není možné spustit robotické taxi do roku 2020, jak Tesla slibuje“. Částečně je to kvůli chybějící konektivitě 5G: dostupné rychlosti 4G nestačí. Částečně s velmi vysokými náklady na autonomní stroje: jsou stále nerentabilní, obchodní model je nepochopitelný. Jedním slovem je zde „všechno komplikované“ a není náhodou, že Gartner píše, že prognóza masové implementace úrovní 4 a 5 není dříve než za 10 let.

3.2. Kamery s 3D viděním (3D snímací kamery)

Před osmi lety se herní ovladač Microsoft Kinect prosadil tím, že nabídl dostupné a relativně levné řešení pro 3D vidění. Od té doby tělovýchovné a taneční hry s Kinectem zažily svůj krátký vzestup a pád, ale 3D kamery se pro identifikaci obličeje používají v průmyslových robotech, bezpilotních vozidlech a mobilních telefonech. Technologie se stala levnější, menší a dostupnější.

Samsung S10 má kameru Time-of-Flight, která měří vzdálenost k objektu, aby vám pomohla zaostřit. Zdroj

Pokud vás toto téma zajímá, pak přesměrujeme na velmi dobrý podrobný přehled hloubkových kamer: Část 1, Část 2.

3.3. Drony pro doručování malých nákladů (Light Cargo Delivery Drones)

Amazon se letos povedl, když na výstavě představil nový létající dron, který unese malé užitečné zatížení až 2 kg. Pro město s dopravními zácpami se to zdá jako ideální řešení. Uvidíme, jak se tyto drony osvědčí ve velmi blízké budoucnosti. Možná by zde měla být zahrnuta opatrná skepse: existuje mnoho problémů, od možnosti snadné krádeže dronu až po právní omezení UAV. Amazon Prime Air existuje již šest let, ale stále je ve fázi testování.

Nový dron Amazonu odhalen letos na jaře. Je v něm něco ze Star Wars. Zdroj

Kromě Amazonu jsou na tomto trhu další hráči (tam je podrobně Přehled), ale ani jeden hotový produkt: vše je ve fázi testování a marketingových kampaní. Samostatně stojí za zmínku docela zajímavé vysoce specializované lékařské Projekty v Africe: dárcovství krve v Ghaně (14 000 dodávek, Zipline) a Rwandě (Matternet).

3.4. Létající autonomní vozidla

Zde je těžké říci něco určitého. To se podle Gartneru objeví nejdříve za 10 let. Obecně jsou zde všechny stejné problémy jako u bezpilotních prostředků, jen získávají nový rozměr – vertikální. Porsche, Boeing, Uber deklarují své ambice postavit létající taxi.

3.5. Cloud rozšířené reality (AR Cloud)

Stálá digitální kopie skutečného světa, která vám umožní vytvořit novou vrstvu reality, která je společná všem uživatelům. Technickěji řečeno, jde o vytvoření otevřené cloudové platformy, do které mohou vývojáři integrovat své AR aplikace. Monetizační model je srozumitelný, jde o jakousi obdobu Steamu. Myšlenka je tak zakořeněná, že si nyní někteří lidé myslí, že AR bez cloudu je prostě k ničemu.

Jak by to mohlo vypadat v budoucnu, ukazuje krátké video. Vypadá to na další díl Black Mirror:

Více si můžete přečíst v recenzní článek.

4. Rozšířený člověk

4.1. AI pro emoce (Emotion AI)

Jak měřit, simulovat a reagovat na lidské emoce? Někteří ze zákazníků zde jsou společnosti, které vyrábějí hlasové asistenty, jako je Amazon Alexa. Budou si moci opravdu zvyknout na dům, pokud se naučí rozpoznat náladu: porozumět důvodu nespokojenosti uživatele, pokusit se situaci napravit. Obecně platí, že v kontextu je mnohem více informací než ve zprávě samotné. A kontext je výraz obličeje, intonace a neverbální chování.

Z dalších praktických aplikací: analýza emocí při přijímacím pohovoru (na základě videorozhovorů), vyhodnocování reakcí na reklamy nebo jiný videoobsah (úsměv, smích), pomoc s učením (například pro nezávislé praktiky v umění řečnictví) .

Těžko na toto téma mluvit lépe než autor 6minutového krátkého filmu Krádež Ur Feeling. Chytře a stylově zpracované video ukazuje, jak můžeme pro marketingové účely změřit své emoce a z momentálních reakcí vaší tváře zjistit, zda máte rádi pizzu, psy, Kanye Westa a dokonce i to, jaká je výše vašich příjmů a přibližné IQ. Přechodem na webovou stránku filmu na výše uvedeném odkazu se stanete účastníkem interaktivního videa pomocí vestavěné kamery vašeho notebooku. Film byl již uveden na několika filmových festivalech.

Zdroj

Existuje dokonce taková zajímavá studie: jak rozpoznat sarkasmus v textu. Vzali tweety s hashtagem #sarcasm a vytvořili cvičný vzorek 25 000 sarkasmových tweetů a 100 000 běžných tweetů o všem na světě. Použili jsme knihovnu TensorFlow, natrénovali systém, zde je výsledek:

Zdroj

Takže teď, pokud si nejste jisti svým kolegou nebo přítelem - řekl vám něco vážně nebo se sarkasmem - můžete již použít trénované neuronové sítě!

4.2. Rozšířená inteligence

Automatizace intelektuální práce pomocí metod strojového učení. Zdá se, že nic nového? Ale samotná formulace je zde důležitá, zejména proto, že se shoduje ve zkratce s umělou inteligencí. To nás přivádí zpět ke sporu „silná“ versus „slabá“ AI.
Silná umělá inteligence je stejná umělá inteligence ze sci-fi filmů, která je zcela ekvivalentní lidské mysli a je si vědoma sama sebe jako člověka. To zatím neexistuje a není jasné, zda vůbec bude.

Slabá AI není nezávislá osoba, ale asistent-asistent člověka. Nepředstírá lidské myšlení, ale prostě ví, jak řešit informační problémy, například určit, co je na obrázku, nebo přeložit text.

Zdroj

V tomto smyslu je rozšířená inteligence ve své nejčistší podobě „slabá AI“ a formulace se zdá být úspěšná, protože nezpůsobuje zmatek a pokušení vidět zde velmi „silnou AI“, o které každý sní (nebo se bojí, pokud připomínáme četné argumenty o „strojích vzpoury“). S použitím výrazu Augmented Intelligence se okamžitě zdá, že se stáváme hrdiny dalšího filmu: ze sci-fi (jako Asimovovo „Já, robot“) se ocitáme v kyberpunku („augmentace“ v tomto žánru se nazývají všechny druhy implantátů, které rozšiřují lidské schopnosti).

Jak řekl Eric Brynjolfsson a Andrew McAfee: „Během příštích 10 let se to stane. AI nenahradí manažery, ale ti manažeři, kteří používají AI, nahradí ty, kteří neměli čas.“

Příklady:

• Medicína: Stanfordská univerzita vyvinuta algoritmuskterý je v průměru stejně dobrý v rozpoznávání abnormalit na rentgenovém snímku hrudníku jako většina lékařů
• Vzdělávání: pomoc studentovi a učiteli, analýza reakcí studentů na materiály, budování individuální vzdělávací cesty.
• Obchodní analytika: předzpracování dat podle statistik zabere výzkumníkovi 80 % času a pouze 20 % – samotný experiment

4.3. Biočipy

Toto je oblíbené téma všech kyberpunkových filmů a knih. Čipování mazlíčků obecně není nová praxe. Nyní se ale tyto čipy implantují i ​​do lidí.

V tomto případě humbuk nejspíš souvisí se senzačním případem v americké společnosti Three Square Market. Tam začal zaměstnavatel nabízet za úplatu implantaci čipů pod kůži. Čip umožňuje otevírat dveře, přihlašovat se do počítačů, nakupovat občerstvení v automatu – tedy takovou univerzální zaměstnaneckou kartu. Takový čip zároveň slouží přesně jako identifikační karta, nemá GPS modul, takže pomocí něj není možné nikoho sledovat. A pokud si chce člověk vyjmout čip z ruky, trvá to s pomocí lékaře 5 minut.

Čipy se obvykle implantují mezi palec a ukazováček. Zdroj

Přečtěte si podrobně Článek o stavu čipování ve světě.

4.4. Pohlcující pracovní prostor

„Pohlcující“ je další nové slovo, které prostě nemá kam jít. Je všude. Pohlcující divadlo, výstava, kino. co to znamená? Imerzivita je vytvoření imerzivního efektu, kdy se ztrácí hranice mezi autorem a divákem, virtuálním a reálným světem. Ve vztahu k pracovišti je třeba vycházet z toho, že to znamená smazat hranici mezi umělcem a iniciátorem a povzbudit zaměstnance k aktivnějšímu postoji prostřednictvím přeformátování jejich prostředí.

Vzhledem k tomu, že nyní všude máme Agile, měla by flexibilita, úzká interakce, pak by pracoviště měla být co nejsnáze konfigurovatelná, měla by podporovat skupinovou práci. Ekonomika si diktuje své podmínky: přibývá dočasných zaměstnanců, rostou náklady na pronájem kancelářských prostor a na konkurenčním trhu práce se IT firmy snaží zvýšit spokojenost zaměstnanců z práce vytvářením rekreačních oblastí a dalšími benefity. A to vše se odráží v designu pracovišť.

Z zpráva Pahorek

4.5. Zosobnění

Každý ví, co je personalizace v reklamě. To je, když dnes s kolegou diskutujete o tom, že vzduch v místnosti je poněkud suchý a měli byste si koupit zvlhčovač do kanceláře a druhý den na vaší sociální síti uvidíte reklamu - „kupte si zvlhčovač“ (a skutečný případ, který se mi stal).

Zdroj

Personalizace je podle Gartneru reakcí na rostoucí obavy uživatelů z využívání jejich osobních údajů pro reklamní účely. Cílem je vyvinout přístup, ve kterém se nám budou zobrazovat reklamy, které jsou relevantní pro kontext, ve kterém se nacházíme, a ne pro nás osobně. Například naše poloha, typ zařízení, denní doba, povětrnostní podmínky jsou věci, které neporušují naše osobní údaje, a nepociťujeme nepříjemný pocit „sledování“.

Pro rozdíl mezi těmito dvěma pojmy si přečtěte poznámka Andrew Frank na blogu na webu Gartner. Je tu tak jemný rozdíl a tak podobná slova, že vy, neznáte rozdíl, riskujete, že se budete dlouho hádat se svým partnerem, aniž byste měli podezření, že obecně mají oba pravdu (a toto je také skutečný případ, který se stal autor).

4.6. Biotech – umělá tkáň (Biotech – kultivovaná nebo umělá tkáň)

To je především myšlenka na pěstování umělého masa. Současně je několik týmů po celém světě zaneprázdněno vývojem laboratoře "Maso 2.0" - očekává se, že bude levnější než obvykle a přejdou na ni rychlé občerstvení a poté supermarkety. Mezi investory do této technologie patří Bill Gates, Sergey Brin, Richard Branson a další.

Zdroj

Důvody, proč se všichni tak zajímají o umělé maso:

1. Globální oteplování: Emise metanu z farem. To je 18 % celosvětového objemu plynů, které ovlivňují klima.
2. Populační růst. Poptávka po mase roste a nebude možné krmit všechny přírodním masem - je to prostě drahé.
3. Nedostatek místa. 70 % amazonských pralesů již bylo vykáceno pro pastviny.
4. etické úvahy. Jsou tací, pro které je to důležité. Organizace za práva zvířat PETA již nabídla cenu 1 milion dolarů vědci, který na trh přináší umělé kuřecí maso.

Výměna skutečného masa za sójové je částečné řešení, protože lidé mohou cítit rozdíl v chuti a struktuře a je nepravděpodobné, že by se steaku vzdali ve prospěch sóji. Takže to, co je potřeba, je skutečné, totiž ekologicky vypěstované maso. Nyní je bohužel umělé maso příliš drahé: od 12 dolarů za kilogram. Může za to složitý technický proces pěstování takového masa. Přečtěte si o tom všem Článek.

Pokud mluvíme o jiných případech rostoucích tkání - již v medicíně - pak je téma umělých orgánů zajímavé: například „náplast“ na srdeční sval, vytištěné speciální 3D tiskárna. známý příběhy jako uměle vypěstované myší srdce, ale obecně je vše stále v rámci klinických studií. Je tedy nepravděpodobné, že bychom se Frankensteina v příštích letech dočkali.

Zde je Gartner ve svých odhadech velmi opatrný, zjevně má na paměti svou neúspěšnou předpověď z roku 2015, že v roce 2019 bude mít 10 % populace ve vyspělých zemích 3D vytištěný lékařský implantát. Označuje proto čas k dosažení plató produktivity – alespoň 10 let.

5. Digitální ekosystémy

5.1. Decentralizovaný web

Tento koncept je úzce spojen se jménem vynálezce webu, držitele Turingovy ceny, Sira Tima Burnerse-Lee. Etické otázky v informatice pro něj byly vždy důležité a důležitá je kolektivní podstata internetu: položil základy hypertextu a byl přesvědčen, že síť by měla fungovat jako web, a ne jako hierarchie. Bylo to tedy v rané fázi vývoje sítě. S růstem internetu se však jeho struktura z různých důvodů centralizovala. Ukázalo se, že přístup k síti pro celou zemi lze snadno zablokovat jen u několika poskytovatelů. A uživatelská data se stala zdrojem moci a příjmů pro internetové společnosti.

„Internet je již decentralizovaný,“ říká Burners-Lee. „Problém je, že dominuje jeden vyhledávač, jedna velká sociální síť, jedna mikroblogovací platforma. Nemáme technologické problémy, ale máme sociální."

V jeho otevřený dopis U příležitosti 30. výročí World Wide Web nastínil tvůrce webu tři hlavní problémy internetu:

1. Cílené poškozování, jako je hackování, zločin a online obtěžování podporované vládou
2. Samotné zařízení systému, které ke škodě uživatele vytváří základ pro takové mechanismy, jako jsou: finanční pobídky pro clickbait a virální šíření nepravdivých informací
3. Nezamýšlené důsledky návrhu systému, které vedou ke konfliktům a snížení kvality online diskuse

A Tim Berners-Lee už má odpověď na to, jaké principy by mohly být založeny na „Zdravém internetu“, bez problému číslo 2: „Pro mnoho uživatelů zůstávají příjmy z reklamy jediným modelem interakce s webem. I když se lidé děsí toho, co se děje s jejich daty, jsou ochotni uzavřít dohodu s marketingovým strojem, aby získali obsah zdarma. Představte si svět, kde je placení za zboží a služby snadné a příjemné pro obě strany.“ Jedním ze způsobů, jak toho dosáhnout, je, že hudebníci prodají své nahrávky ihned po vybalení ve formě iTunes a zpravodajské weby použijí mikroplatby ke čtení jediného článku namísto vydělávání peněz z reklam.

Jako experimentální prototyp takového nového internetu spustil Tim Berners-Lee projekt SOLID, jehož podstatou je, že svá data ukládáte do „podu“ – úložiště informací a můžete tato data poskytovat aplikacím třetích stran. Ale v zásadě jste pány svých dat vy sami. To vše úzce souvisí s konceptem sítí peer-to-peer, to znamená, že váš počítač služby nejen požaduje, ale také je poskytuje, abyste se nespoléhali na jeden server jako na jediný kanál.

Zdroj

5.2. Decentralizované autonomní organizace

Je to organizace, která se řídí pravidly psanými ve formě počítačového programu. Její finanční aktivity jsou založeny na blockchainu. Smyslem vytvoření takových organizací je vyřadit stát z role prostředníka a vytvořit společné důvěryhodné prostředí pro kontraktory, které nevlastní nikdo sám, ale vlastní všichni dohromady. Teoreticky, pokud se nápad prosadí, měl by zrušit notáře a další obvyklé ověřovací instituce.

Nejznámějším příkladem takové organizace byla společnost The DAO zaměřená na podnikání, která v roce 2016 získala 150 milionů dolarů, z nichž 50 dolarů bylo okamžitě ukradeno právní „dírou“ v pravidlech. Okamžitě vyvstalo těžké dilema: buď se vrátit a vrátit peníze, nebo přiznat, že výběr peněz byl legální, protože v žádném případě neporušoval pravidla platformy. V důsledku toho museli tvůrci, aby vrátili peníze investorům, zničit The DAO, přepsat blockchain a porušit jeho základní princip – neměnnost.

Komiks o Ethereu (vlevo) a The DAO (vpravo). Zdroj

Celý tento příběh zničil pověst samotné myšlenky DAO. Ten projekt vznikl na bázi kryptoměny Ethereum, příští rok se očekává verze Ether 2.0 - snad autoři (včetně známého Vitalika Buterina) vezmou v potaz chyby a ukáží něco nového. To je pravděpodobně důvod, proč Gartner zařadil DAO na upstream.

5.3. Syntetická data (Syntetická data)

Neuronové sítě vyžadují k trénování velké množství dat. Ruční označování dat je obrovská práce, kterou zvládne pouze člověk. Lze tedy vytvářet umělé datové sady. Například stejné sbírky lidských tváří na webu https://generated.photos. Jsou vytvářeny pomocí GAN - algoritmů, které již byly zmíněny výše.

Tyto tváře nepatří lidem. Zdroj

Velkým plusem takových údajů je, že při jejich použití nevznikají žádné právní potíže: není nikdo, kdo by udělil souhlas se zpracováním osobních údajů.

5.4 Digitální operace

Přípona „Ops“ se stala neuvěřitelně trendy, protože DevOps zakořenila v naší řeči. Nyní o tom, co je DigitalOps - je to jen zobecnění DevOps, DesignOps, MarketingOps ... Už se nudíte? Stručně řečeno, jde o přesunutí přístupu DevOps ze softwarové sféry do všech ostatních částí podnikání – marketingu, designu a tak dále.

Zdroj

Myšlenkou DevOps bylo odstranit bariéry mezi samotným vývojem (vývoj) a provozem (obchodní procesy) prostřednictvím vytvoření společných týmů, kde jsou programátoři, testeři, bezpečnostní důstojníci a správci; implementace určitých postupů: průběžná integrace, infrastruktura jako kód, redukce a posílení řetězců zpětné vazby. Cílem bylo urychlit uvedení produktu na trh. Pokud jste si mysleli, že je to Agile, máte pravdu. Nyní mentálně přeneste tento přístup z oblasti vývoje softwaru do vývoje obecně – a pochopíte, co je DigitalOps.

5.5. Znalostní grafy

Softwarový způsob, jak modelovat oblast znalostí, včetně použití algoritmů strojového učení. Znalostní graf je postaven na stávajících databázích a spojuje dohromady všechny informace: jak strukturované (seznam událostí nebo osob), tak nestrukturované (text článku).

Nejjednodušším příkladem je karta, kterou vidíte ve výsledcích vyhledávání Google. Pokud hledáte osobu nebo instituci, vpravo uvidíte kartu:


Vezměte prosím na vědomí, že „Nadcházející události“ nejsou kopií informací z Map Google, ale integrací rozvrhu s Yandex.Afisha: snadno to uvidíte, když kliknete na události. To znamená, že jde o kombinaci několika zdrojů dat dohromady.

Pokud požádáte o seznam – například „slavní režiséři“ – zobrazí se vám „kolotoč“:

Bonus pro ty, kteří dočetli až do konce

A teď, když jsme si ujasnili význam každého z bodů, můžeme se podívat na stejný obrázek, ale v ruštině:

Neváhejte to sdílet na sociálních sítích!

Taťána Volková — autorka studijního plánu IoT na Samsung IT Academy, specialistka na programy společenské odpovědnosti ve výzkumném centru Samsung


Zdroj: www.habr.com